涂 兵 朱 禹 周承樂 陳思源 何 偉

(湖南理工學(xué)院信息科學(xué)與工程學(xué)院 岳陽 414000)

1 引 言

高光譜圖像蘊(yùn)含著密集的光譜信息，適用于地表診斷、礦物勘探、精準(zhǔn)農(nóng)業(yè)等眾多應(yīng)用領(lǐng)域。盡管豐富的光譜信息為材質(zhì)識(shí)別與分類提供了便捷與高效的途徑，然而高光譜圖像的低光譜可分離性及低空間分辨率的特性給高光譜圖像的數(shù)據(jù)處理帶來了不可避免的困難與挑戰(zhàn)。

高光譜圖像特征提取技術(shù)可分為光譜特征提取以及空間特征提取。前者旨在將高維非線性光譜特征進(jìn)行投影或映射至低維線性子空間，以期改善像元的可分離性。如主成分分析法(Principal Component Analysis, PCA)[1]通過線性變換將高維特征映射到低維子空間，降低信息冗余并保留有價(jià)值的判別信息。再如羅甫林等人[2]利用稀疏流形嵌入對(duì)原始光譜信息進(jìn)行特征提取以提升光譜特征的判別性。然而，光譜特征提取技術(shù)僅考慮了高光譜圖像的光譜信息，并不能顯著提升分類器的精度。后者則是在特征提取過程中引入像元的空間上下文信息，利用鄰域像元具有相似性的特點(diǎn)去進(jìn)一步提升分類器精度。如Chen等人[3]利用像元空間上下文相關(guān)性，提出聯(lián)合稀疏表示模型(Joint Sparsity Reconstruction and Classification, JSRC)，有效平滑了分類中椒鹽噪聲。但固定的方形窗口未能有效刻畫像元分布的空間結(jié)構(gòu)，致使分類結(jié)果中依然存在邊緣誤分類現(xiàn)象。超像素分割算法是一種依據(jù)圖像顏色、亮度等顯性特征對(duì)像元進(jìn)行聚類的技術(shù)，能夠有效提取到像元局部空間結(jié)構(gòu)信息。如Yu等人[4]結(jié)合多尺度超像素子空間與支持向量機(jī)設(shè)計(jì)了一種超像素級(jí)的分類器，實(shí)驗(yàn)證明該方法能夠緩解方形窗口鄰域內(nèi)的噪聲及信息缺失問題。此外，結(jié)合超像素空間特征提取的新技術(shù)[5,6]已被成功證實(shí)能夠有效應(yīng)用于高光譜圖像分類，提高地物解譯的精度。

圖像紋理是符合人類視覺感知的材質(zhì)表征信息之一，被成功應(yīng)用于高光譜圖像分類、異常檢測(cè)等領(lǐng)域。同時(shí)，圖像紋理信息的重要性催生了許多特征提取技術(shù)，如灰度共生矩陣(Gray Level Co-occurrence Matrix, GLCM)、局部二值模式(Local Binary Pattern, LBP)及Gabor等。GMCL與LBP是自然圖像處理中較為流行的紋理描述方法，可以最大限度地提高圖像紋理特征的表征力[7,8]。但由于高光譜圖像的紋理基元呈非規(guī)則化排列，且隨著觀察距離的不同紋理基元發(fā)生變化，因此單一分辨率的紋理描述方法損失了部分紋理相關(guān)信息。Gabor濾波器因其多通道、多分辨率的特性，能夠獲得多方向及多尺度紋理特征，被廣泛用于大量的高光譜研究工作中。如Xu等人[9]提出基于Gabor濾波協(xié)同表示的分類方法，與原始協(xié)同表示方法相比，具有良好的分類性能。再如Kang等人[10]將Gabor特征與深度學(xué)習(xí)結(jié)合并應(yīng)用于高光譜圖像分類領(lǐng)域，取得了良好的效果。然而，上述工作均未從Gabor濾波器的不同方向以及尺度來刻畫與提取高光譜圖像的紋理特征，因此，不可避免地影響高光譜圖像中類邊界以及角點(diǎn)像元的精準(zhǔn)識(shí)別。

綜上，相比于光譜特征提取技術(shù)，空譜特征提取技術(shù)在提升分類器精度方面具有良好優(yōu)勢(shì)，同時(shí)，基于超分割的空間鄰域信息比方形窗口的空間信息更有優(yōu)越性。然而，超像素是一種基于圖像顯性特性的像元聚類方法，難以避免鄰域中存在隱性不相關(guān)像元。此外，Gabor作為多通道及多分辨率紋理特征提取的濾波器，簡(jiǎn)單地將Gabor濾波器作用于高光譜圖像并不能多層次地反映與提取其深層紋理特征。為了解決上述問題，本文提出多尺度超像素紋理保持與融合的特征提取方法。

2 本文方法

本文所提多尺度超像素紋理保持與融合的高光譜圖像分類方法MSuTPF (Multi-scale Superpixel Texture Preservation Fusion)如圖1所示，主要包括紋理特征提取與融合、多尺度超像素分割、同質(zhì)區(qū)域紋理保持和多尺度決策融合4個(gè)主要步驟。

圖1 多尺度超像素紋理保持與融合的高光譜圖像分類方法示意圖

2.1 紋理特征提取與融合

2維Gabor濾波器在不同方向可反映同一材質(zhì)不同豐富度的紋理信息，而多個(gè)尺度則反映其不同分辨率的紋理信息。由于地物自身的尺度屬性，其空間特征常利用不同尺度加以度量，本文將不同層次的頻率信息進(jìn)行融合，強(qiáng)化圖像邊緣細(xì)節(jié)，使紋理特征進(jìn)一步增強(qiáng)。特別地，多方向與尺度的Gabor紋理特征中包含冗余信息，因此，通過融合同方向的不同尺度Gabor紋理特征，可以降低信息冗余。Gabor紋理特征融合的定義為

2.2 多尺度超像素分割

2.3 同質(zhì)區(qū)域紋理保持

超像素內(nèi)部紋理基元的排列方式、規(guī)律以及紋理的粗糙程度等表現(xiàn)相似，且超像素紋理受觀察區(qū)域規(guī)模大小的影響，因此通過利用多尺度超像素度量策略，可提取到既具有整體紋理趨勢(shì)又包含細(xì)節(jié)信息的紋理特征。不同尺度的超像素集Sk是由一系列位置相鄰且顏色、亮度、紋理等特征相似的像素點(diǎn)組成的nk個(gè)局部區(qū)域。然而，利用顏色、亮度、紋理等顯性特征獲取的高光譜遙感圖像所對(duì)應(yīng)的超像素集往往使得超像素內(nèi)部存在隱性不相關(guān)像元。也就是說，超像素分割的理想情況是超像素內(nèi)部光譜際上

差超異像較素小S且ik內(nèi)超可像能素包之含間少光量譜來差自異其性他較類大別，的然像而素實(shí)，使超像素表現(xiàn)為局部隱性不相關(guān)，此時(shí)超像素并不是真正意義上的紋理一致性區(qū)域而是弱同質(zhì)區(qū)域。

通過執(zhí)行2.1及2.2的步驟，獲得V個(gè)光譜-紋理聯(lián)合特征圖Ti與 其對(duì)應(yīng)的超像素分割MiERS。

2.4 多尺度決策融合機(jī)制

盡管多尺度超像素引導(dǎo)光譜-紋理聯(lián)合特征能夠顯著增強(qiáng)不同局部區(qū)域的光譜可分離性，提升像元的分類準(zhǔn)確性，但是當(dāng)場(chǎng)景中某些類別的樣本數(shù)較少且分布不集中時(shí)，超像素引導(dǎo)的方法可能會(huì)對(duì)分類結(jié)果產(chǎn)生負(fù)面影響，導(dǎo)致整個(gè)局部像素被誤分類。因此，為了進(jìn)一步增強(qiáng)所提方法的魯棒性，本文在由各尺度超像素光譜-紋理聯(lián)合特征得到的分類圖的基礎(chǔ)上引入多數(shù)投票機(jī)制去進(jìn)一步提升分類精度，最終分類圖F由式(12)確定

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

(1) Indian Pines高光譜圖像：于1992年在印第安納州西北部的農(nóng)業(yè)印度派恩斯測(cè)試地點(diǎn)獲取，圖像大小為145×145，空間分辨率為20 m，數(shù)據(jù)光譜波段為200，波段范圍是400～2500 nm，共標(biāo)記10249個(gè)像素，其主要地物類型被劃分為16類。

(2) Pavia University高光譜圖像：在意大利帕維亞大學(xué)周圍的市區(qū)記錄，由610×340個(gè)像素組成，圖像空間分辨率為1.3 m，其包含42776個(gè)像素，實(shí)驗(yàn)保留了剔除噪聲后的103個(gè)波段，地面覆蓋包含9個(gè)目標(biāo)類別。

3.2 參數(shù)設(shè)置

影響本文算法性能的參數(shù)主要包括以下這些。它們對(duì)本文算法的影響在3.4節(jié)中詳細(xì)分析。

(1) Gabor濾波器固有參數(shù)。鑒于Gabor濾波器的性能對(duì)空間局部特征具有較大影響，將Gabor濾波器尺度U與方向V分別設(shè)置為5和8，以提取局部紋理特征，其中，8個(gè)方向θ分別為[0,π/8,π/4,3π/8,π/2,5π/8,3π/4,7π/8]。在具體實(shí)驗(yàn)中，針對(duì)每個(gè)高光譜圖像，Gabor濾波器窗口d設(shè)置為55。

(2) 在3.3.1節(jié)和3.3.2節(jié)中，自由參數(shù)ξ統(tǒng)一設(shè)置為0.7。

(3) 超像素?cái)?shù)量Sn：在3.3.1節(jié)和3.3.2中，超像素尺度分別設(shè)置為100～800, 600～1300。

3.3 實(shí)驗(yàn)

為了客觀而有效地評(píng)價(jià)所提方法MSuTPF的性能，本文選取了支持向量機(jī)(Support Vector Machine, SVM)[15]、稀疏表示(Sparsity Reconstruction and Classification, SRC)[3]、聯(lián)合稀疏表示(Joint Sparsity Reconstruction and Classification,JSRC)[3]、超像素多核(Superpixel-based Classification via Multiple Kernels, SC-MK)[16]、超像素主成分分析(Superpixelwise PCA, SuperPAC)[17]、分層引導(dǎo)濾波(Hierarchical Guidance Filtering-Weighted Voting, HiFi-we)[18]、Gabor濾波稀疏自編碼深度網(wǎng)絡(luò)(Gabor Filtering and Deep Network,GFDN)[10]和無監(jiān)督空-譜超像素PCA(Spectral-Spatial and Superpixelwise PCA, S3-PCA)[19]8個(gè)高光譜圖分類算法與本文MSuTPF方法進(jìn)行分類性能比較和分析。其中，SVM參數(shù)通過5層交叉驗(yàn)證設(shè)置，對(duì)比方法中的參數(shù)均為對(duì)應(yīng)論文中的默認(rèn)參數(shù)。此外，實(shí)驗(yàn)采用常用的總體分類精度(Overall Accuracy , OA)、平均分類精度(Average Accuracy, AA)以及Kappa系數(shù)，作為量化指標(biāo)來衡量分類性能。同時(shí)，為了消除隨機(jī)性影響，所有量化指標(biāo)結(jié)果均為10次結(jié)果的均值。

3.3.1 Indian Pines數(shù)據(jù)實(shí)驗(yàn)結(jié)果與分析

表1和圖2給出在Indian Pines真實(shí)數(shù)據(jù)上不同對(duì)比算法采用1.5%的標(biāo)記樣本作為訓(xùn)練集得到的分類精度及結(jié)果(黑色加粗?jǐn)?shù)字表示同行中的最大值)，以及客觀評(píng)價(jià)結(jié)果。

SVM和SCR分類器由于僅考慮了像元的光譜信息，導(dǎo)致分類結(jié)果中存在較多的“椒鹽噪聲”。JSRC分類器通過像元的上下文信息來改善SRC的分類性能，盡管分類精度有所提升，但邊界與角點(diǎn)像元容易被誤分類。SC-MK以超像素的方式引入像元的空間信息，但未考慮超像素塊內(nèi)隱性不相關(guān)像元的存在，導(dǎo)致分類精度受限。SuperPCA與S3-PCA是超像素引導(dǎo)的局部特征提取方法，雖然利用多尺度超像素提取空間結(jié)構(gòu)，但同樣地未考慮超像素塊內(nèi)隱性不相關(guān)像元的存在，因而存在性能瓶頸。此外，HiFi-we在每個(gè)層次結(jié)構(gòu)中進(jìn)行邊緣保持濾波操作，圖像細(xì)節(jié)易被過平滑處理。同時(shí)，1.5%的訓(xùn)練樣本無法充分訓(xùn)練自適應(yīng)編碼深度網(wǎng)絡(luò)，導(dǎo)致GFDN未能得到有效的訓(xùn)練，使得GFDN分類精度有限。特別地，從表1和圖2可以看出本文的MSuTPF方法無論是在OA(94.32%), AA(95.00%)及Kappa(93.52%)3個(gè)客觀評(píng)價(jià)指標(biāo)上還是在分類圖上都取得了比上述8個(gè)對(duì)比方法更優(yōu)的實(shí)驗(yàn)結(jié)果。

圖2 Indian Pines高光譜圖像不同方法的分類圖

此外，本文將基于單一尺度光譜-紋理聯(lián)合特征的方法架構(gòu)定義為MSuTPF*，并給出相應(yīng)的實(shí)驗(yàn)結(jié)果。由表1發(fā)現(xiàn)，MSuTPF*方法的分類指標(biāo)都低于MSuTPF方法，說明僅用單一尺度不能有效地提取出不同大小地物的紋理信息，而以多尺度超像素構(gòu)造的光譜-紋理聯(lián)合特征能夠獲得各同質(zhì)區(qū)域豐富的空間紋理結(jié)構(gòu)信息，從而提升了分類器對(duì)邊界地物的鑒別準(zhǔn)確率。

表1 Indian Pines高光譜圖像不同方法的分類精度(%)

3.3.2 Pavia University數(shù)據(jù)實(shí)驗(yàn)結(jié)果與分析

對(duì)于Pavia University數(shù)據(jù)實(shí)驗(yàn)隨機(jī)選取總樣本數(shù)的0.42%作為訓(xùn)練樣本集，剩余樣本作為測(cè)試樣本。表2展示了各種分類算法的定量指標(biāo)(黑色加粗?jǐn)?shù)字表示同行中的最大值)，本文所提出的MSuTPF方法的OA, AA及Kappa均為最高值。同時(shí)，如圖3所示，在有限的標(biāo)記訓(xùn)練樣本的情況下，MSuTPF方法相比于8個(gè)對(duì)比方法獲得的分類結(jié)果具有明顯較少的誤分類現(xiàn)象。由此，該實(shí)驗(yàn)充分驗(yàn)證了本文MSuTPF方法的可行性和優(yōu)越性。

圖3 Pavia University高光譜圖像不同方法的分類圖

表2 Pavia University高光譜圖像不同方法的分類精度(%)

3.4 相關(guān)參數(shù)影響分析

3.4.1 參數(shù)w與ξ對(duì)MSuTPF方法的性能影響

當(dāng)Gabor濾波窗口w較小時(shí)紋理特征提取僅考慮有限的局部結(jié)構(gòu)，局部紋理方向性不明顯，易損失具有代表性的信息。圖4(a)與圖4(b)展示了隨著窗口尺寸增大，OA精度呈現(xiàn)明顯上升趨勢(shì)，但窗口w規(guī)模大于55時(shí)，分類精度增幅變緩，計(jì)算時(shí)間持續(xù)上升。自由參數(shù)ξ改變對(duì)最終分類精度影響不大。考慮到算法時(shí)間代價(jià)與滿意的整體分類精度，本文實(shí)驗(yàn)?zāi)J(rèn)Gabor濾波窗口w與自由參數(shù)ξ分別設(shè)置為55和0.7。

3.4.2 超像素尺度對(duì)算法的影響

圖4(c)與圖4(d)給出了不同尺度超像素對(duì)基于單一尺度光譜-紋理聯(lián)合特征的方法MSuTPF*性能影響的量化指標(biāo)(OA)。由此可知，OA曲線伴隨超像素尺度(數(shù)量)增加表現(xiàn)為短上升、長(zhǎng)下降的趨勢(shì)。這說明，單一尺度的超像素存在空間結(jié)構(gòu)信息提取不充分的現(xiàn)象。因此，本文采用多尺度超像素分割策略，進(jìn)一步提出了MSuTPF算法，以期提取高光譜圖像多尺度空間結(jié)構(gòu)信息。對(duì)每個(gè)方向的光譜-紋理聯(lián)合特征進(jìn)行多尺度超像素分割，其中，以Indian Pines為例，將圖4(c)中算法性能較好且連續(xù)的8個(gè)超像素分割尺度(步長(zhǎng)為100)作為MSuTPF算法多尺度分割的依據(jù)(100～800超像素)。同樣地，對(duì)于Pavia University高光譜圖像選取800～1500超像素作為超像素分割的尺度范圍(步長(zhǎng)為100)提取不同高光譜圖像8個(gè)2D Gabor方向上的光譜-紋理聯(lián)合特征Ti的同質(zhì)空間信息。

圖4 不同參數(shù)對(duì)所提算法性能的影響

3.4.3 各架構(gòu)組件對(duì)MSuTPF的性能影響

首先，本文通過比較遞歸濾波(Recursive Filtering, RF)[20]、Savitzky-Gola濾波(Savitzky-Gola Filtering, SGF)[21]、雙邊濾波(Bilateral Filtering, BF)[22]、高斯濾波(Gaussian Filtering,GuF)[23]及Gabor濾波[10]5種常用的濾波方法在MSuTPF方法架構(gòu)中對(duì)分類性能的貢獻(xiàn)。特別地，上述方法中濾波參數(shù)設(shè)置采用相關(guān)參考文獻(xiàn)默認(rèn)參數(shù)。由圖5發(fā)現(xiàn)，在兩個(gè)真實(shí)數(shù)據(jù)上，Gabor濾波對(duì)MSuTPF方法的分類性能貢獻(xiàn)均比其它4種濾波法更優(yōu)。因此，Gabor濾波被選為MSuTPF方法的默認(rèn)組成。

圖5 不同濾波方法的整體分類效果

其次，本文深入研究了Gabor濾波在不同方式下的紋理特征提取能力。實(shí)驗(yàn)結(jié)果如表3所示，其中，I-Gabor表示各尺度和方向順序堆疊的紋理特征；II-Gabor表示保留尺度融合各方向的紋理特征；III-Gabor表示方向融合各尺度的紋理特征；III-Gabor的實(shí)驗(yàn)結(jié)果證明，融合Gabor濾波器響應(yīng)后同一方向不同尺度的特征信息對(duì)MSuTPF方法的性能貢獻(xiàn)大于I-Gabor和II-Gabor方法。此外，本文探討了考慮局部像元隱性不相關(guān)現(xiàn)象對(duì)MSuTPF方法的性能貢獻(xiàn)問題。同樣地，實(shí)驗(yàn)結(jié)果如表3所示，II-ERS和I-ERS分別表示有無采用基于密度最近鄰的相似性評(píng)價(jià)準(zhǔn)則進(jìn)行紋理一致化處理的實(shí)驗(yàn)結(jié)果。結(jié)果發(fā)現(xiàn)II-ERS對(duì)MSuTPF方法的性能貢獻(xiàn)大于I-ERS，說明基于密度最近鄰的相似性評(píng)價(jià)準(zhǔn)則可以有效地提高算法的分類性能。

3.4.4 不同光譜維數(shù)對(duì)MSuTPF的性能影響

本文將原始高光譜圖像的主成分(Principal Components, PCs)作為光譜特征與Gabor融合的紋理特征串聯(lián)構(gòu)建光譜-紋理聯(lián)合特征。由表4可知，當(dāng)光譜特征維數(shù)控制在20左右時(shí)，整體分類精度OA較高，且隨著光譜維數(shù)的增加，算法性能并沒有明顯的提升。雖然更多的PCs中仍可能具有對(duì)光譜信息的貢獻(xiàn)，但由于存在較多的冗余信息與圖像噪聲點(diǎn)等情況，因此對(duì)分類性能產(chǎn)生負(fù)影響。同時(shí)考慮到Gabor融合特征僅具有15個(gè)波段，若使用全光譜作為聯(lián)合特征的光譜特征，龐大的光譜信息將會(huì)淹沒紋理特征信息，且維數(shù)增大時(shí)間復(fù)雜度隨之提升。因此本文將主成分?jǐn)?shù)量設(shè)置為20。

表4 不同維數(shù)光譜特征對(duì)算法性能的影響

3.4.5 不同訓(xùn)練樣本數(shù)量對(duì)算法性能的影響

在本節(jié)中，分析了訓(xùn)練樣本數(shù)量變化對(duì)不同分類算法性能的影響。對(duì)于Indian Pines和Pavia University，隨機(jī)選取不同百分比數(shù)據(jù)(Indian Pines每類地物標(biāo)記1%～10%，Pavia University每類地物標(biāo)記0.42%～4.2%)作為訓(xùn)練樣本。圖6展示了在不同方法在不同訓(xùn)練集下的總體分類精度的變化趨勢(shì)?？梢杂^察到，增加訓(xùn)練樣本數(shù)量對(duì)所有分類方法的分類精度均具有較為積極的影響。尤其是，本文所提出的MSuTPF方法在有限的訓(xùn)練樣本情況下比8個(gè)對(duì)比方法的分類精度更為理想。

圖6 不同訓(xùn)練樣本數(shù)量對(duì)于不同方法的影響

4 結(jié) 論

結(jié)合Gabor、超像素與峰值密度聚類的優(yōu)勢(shì)，本文提出了一種多尺度超像素紋理特征保持與融合的高光譜圖像分類方法MSuPTF，其主要貢獻(xiàn)如下：(1)依據(jù)各方向?qū)Σ煌叨鹊母吖庾V圖像Gabor紋理特征進(jìn)行融合，增強(qiáng)高光譜圖像紋理信息的表征力；(2)設(shè)計(jì)基于密度最近鄰相似性評(píng)價(jià)準(zhǔn)則，有效地解決了超像素內(nèi)鄰域像元的隱性不相關(guān)問題，提升了超像素塊的同質(zhì)化程度；(3)提出了Gabor方向與超像素對(duì)應(yīng)的多尺度空間結(jié)構(gòu)提取策略，顯著增強(qiáng)了邊界與角點(diǎn)像元的細(xì)節(jié)信息。